ESCUELA POLITECNICA NACIONAL

FACULTAD DE CIENCIAS ADMINISTRATIVAS

MAESTRIA EN INGENIERÍA INDUSTRIAL Y PRODUCTIVIDAD

CADENA DE SUMINISTRO

3. PRONÓSTICO DE LA DEMANAD EN UNA SC

Pedro Buitrón.
Profesor Escuela Politécnica Nacional,
Facultad de Ciencias Administrativas,
Quito, Ecuador
 Métodos para pronosticar
1. Cualitativos: Los métodos cualitativos son principalmente subjetivos y se
apoyan en el juicio de la persona que toma la decisión
2. Series de tiempo: utilizan la demanda histórica para hacer pronósticos, se
basan en la suposición de que la historia de la demanda pasada es un buen
indicador de la demanda futura
a. Estático
b. Adaptativo
3. Causal: suponen que el pronóstico de la demanda está altamente
correlacionado con ciertos factores ambientales (el estado de la economía,
las tasas de interés, etc.)
4. Simulación:
1. Imitan las elecciones del cliente que dan origen a la demanda
2. Pueden combinar series de tiempo y métodos causales
 Componentes del pronóstico
Una demanda observada puede dividirse en componentes sistemático y
aleatorios:
Demanda observada (O) = componente sistemático (S) + componente aleatório (R)
Componente sistemático S: mide el valor esperado de la demanda

Nivel (la demanda desestacionalizada actual)

Tendencia (la tasa de crecimiento o descenso en

la demanda para el siguiente período)

Estacionalidad (las fluctuaciones estacionales

predecibles)
Componente aleatorio R: desviación del pronóstico frente al componente
sistemático
Error: desviación del pronóstico frente a la demanda, (varianza o desviación
estándar)
 Métodos de pronóstico

1. Estáticos: supone que los estimados del nivel, tendencia y

estacionalidad dentro del componente sistemático no varían
conforme se observa la nueva demanda
Se estima cada uno de los parámetros con base en la información
histórica y luego se utiliza los mismos valores para todos los
pronósticos futuros

𝑪𝒐𝒎𝒑𝒐𝒏𝒆𝒏𝒕𝒆 𝒔𝒊𝒔𝒕𝒆𝒎á𝒕𝒊𝒄𝒐 (𝑺) = (𝑛𝑖𝑣𝑒𝑙 + 𝑡𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎) (𝑓𝑎𝑐𝑡𝑜𝑟 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑙)

 Métodos de pronóstico

2. Adaptativo
• Media móvil
• Suavizamiento exponencial simple
• Modelo de Holt (con tendencia)
• Modelo de Winter (con tendencia y estacionalidad)
 Método estático

Se asume un modelo mixto: S = (nível + tendência)(fator estacional)

𝑭𝒕+𝒍 = 𝑳 + 𝒕 + 𝒍 𝑻 𝑺𝒕+𝒍

L = estimado del nivel a t = 0 (el estimado de la demanda desestacionalizada durante el período 0)

T = estimado de la tendencia (incremento o decremento de la demanda por período)
St = estimado del factor estacional para el período t
Dt = demanda real observada en el período t
Ft = pronóstico de la demanda para el período t
 Estimando el nivel y la tendencia

1. Antes de estimar el nivel y la tendencia, los datos de la demanda

real deben ser desestacionalizados, y luego
2. Estimar los factores estacionales

• Demanda desestacionalizada: representa aquella que se habría

observado en ausencia de fluctuaciones estacionales

• Periodicidad (p): es el número de períodos después de los cuales el ciclo

estacional se repite
Si el patrón se repite cada año, pe. si estamos midiendo la demanda con base trimestral, se
tiene que p = 4 (Ejemplo Tabla N° 1)
 Ejemplo. Tabla N°1

1. Desestacionalizar la demanda y ejecutar regresiones lineales para

estimar el nivel y la tendencia.
2. Estimar los factores estacionales.
Tabla 1 Demanda Trimestral
Periodo Demanda
t Figura 1 Demanda
Año, Trim Dt
45.000
00,2 1 8,000
40.000
00,3 2 13,000 35.000
00,4 3 23,000 30.000

Demanda
25.000
01,1 4 34,000
20.000
01,2 5 10,000 15.000
01,3 6 18,000 10.000
5.000
01,4 7 23,000 0
02,1 8 38,000 00,2 00,3 00,4 01,1 01,2 01,3 01,4 02,1 02,2 02,3 02,4 03,1

02,2 9 12,000 Año, Trimestre

02,3 10 13,000
02,4 11 32,000
03,1 12 41,000
 Desestacionalizando la Demanda

𝐷𝑡− 𝑝 + 𝐷𝑡+ 𝑝 + 2𝐷𝑖

2 2
𝑝𝑎𝑟𝑎 𝑝 𝑝𝑎𝑟
2𝑝
(la suma va desde i=t+1−(p/2) a t+1+(p/2))
𝐷𝑡 =
𝐷𝑖
𝑝𝑎𝑟𝑎 𝑝 𝑖𝑚𝑝𝑎𝑟
𝑝
𝑝
(la suma va desde i=t−(p/2) a t+(p/2)); 𝑡𝑟𝑢𝑛𝑐𝑎𝑑𝑜 𝑎 𝑒𝑛𝑡𝑒𝑟𝑜 𝑖𝑛𝑓𝑒𝑟𝑖𝑜𝑟
2
 Ecuaciones básicas para el pronóstico adaptativo

Ft+1 = (Lt + lT)St+1 = pronóstico para el período t+l realizado en el período t

Lt = Estimado del nivel al final del período t
Tt = Estimado de la tendencia al final del período t
St = Estimado del factor estacional al final del periodo t
Ft = Pronóstico de la demanda para el periodo t (realizado en el período t-1 o
antes)
Dt = Demanda actual observada en el período t
Et = Error del pronóstico en el período t
At = Desviación absoluta en el período t = |Et|
MAD = Desviación Media Absoluta = Valor medio de At
 Pasos básicos en el pronóstico adaptativo
1. Inicializar: Calcular los estimados iniciales del nivel (L0), tendencia (T0), y
factores estacionales(S1,…,Sp), a partir de los datos (exactamente como
en el método del pronóstico estático).
2. Pronóstico: Estimar el pronóstico de la demanda para el período
t+1usando la ecuación general
Ft+1 = (Lt + lTt)St+1

3. Estimar el error: Et+1 = Ft+1 - Dt+1

4. Modificar los estimados: Modificar los estimados del nivel (Lt+1),

tendencia (Tt+1), y factores estacionales (St+p+1), dado el error Et+1 en el
pronóstico

5. Los estimados revisados en el período t+1 se emplean para construir el

pronóstico para el período t+2, y se repiten los pasos 2, 3, y 4 para cada
uno de los subsiguientes períodos
 Promedio móvil

1. Cuando en la demanda no se observa tendencia o estacionalidad

2. Componente sistemático de la demanda= nivel
3. El nivel en un período es la demanda promedio de los últimos N períodos (los N-períodos de la
media móvil)
4. El pronóstico actual para todos los períodos futuros es el mismo y se basa en le estimado del
nivel actual
5. El pronóstico es formulado como:
• Lt = (Dt + Dt-1 + … + Dt-N+1) / N
• Ft+1 = Lt y Ft+n = Lt

6. Después de observar la demanda para el período t+1, revisamos los estimados de la siguiente
manera:
Lt+1 = (Dt+1 + Dt + … + Dt-N+2) / N
Ft+2 = Lt+1
 Ejemplo. Promedio móvil
Un supermercado ha experimentado una demanda semanal de leche de 120,
127, 114 y 122 galones durante las últimas cuatro semanas. Pronosticar la
demanda para el período 5 empleando un promedio móvil de 4 períodos ¿Cuál
es el error de pronóstico si la demanda en el período 5 resulta ser 125 galones?
Solución.
𝐷1 + 𝐷2 + 𝐷3 + 𝐷4 ) 120+127+114+122
𝐿4 = ( = = 120,75
4 4
𝐹5 = 𝐿4 = 120,75

𝑒 = 𝐹5 − 𝐷5 = 125 − 120,75 = 4,25

 Suavizamiento Exponencial Simple
Apropiado cuando la demanda no tiene una tendencia o estacionalidad
Componente sistemático de la demanda= nivel
Se toma el estimado del nivel inicial , L0, como el promedio de los datos históricos.
𝑛
1
𝐿0 = 𝐷𝑖
𝑛
𝑖=1
El pronóstico actual para todos los períodos futuros es igual al estimado actual del
nivel y está dado por:
𝐹𝑡+1 = 𝐿𝑡 𝑦 𝐹𝑡+𝑛 = 𝐿𝑡
Después de observada la demanda en Dt+1, para el período t+1 se revisa el estimado
del nivel:
𝑳𝒕 + 𝟏 = 𝒂𝑫𝒕 + 𝟏 + (𝟏 − 𝒂)𝑳𝒕

𝒕−𝟏
𝑳𝒕 + 𝟏 = 𝒏=𝟎 𝒂(𝟏 − 𝒂)𝒏𝑫𝒕 + 𝟏 − 𝒏 + (𝟏 − 𝜶)𝒕 𝑫𝒕 ]
 Ejemplo Suavizamiento Exponencial Simple

Consideremos el supermercado del ejemplo anterior, donde la demanda de leche

ha sido 120, 127, 114, y 122 galones en las ultimas cuatro semanas. Pronosticar
la demanda para el período 1 empleando suavizameinto exponencial simple con
a = 0,1.
Solución:
1 𝑛 120+127+114+ 122
𝐿0 = 𝑛 𝑖=1 𝐷𝑖 = = 120,75
4

𝐹1 = 𝐿0 = 120,75

𝐿1 = 𝑎𝐷𝑡1 + 1 − 𝑎 𝐿0=0,1(120)+(1-0,10)120,75=120,68

𝑒 = 𝐹1 − 𝐷1 = 120,75 − 120 = 0,75

 Suavizamiento exponencial con corrección por tendencia
(Modelo de Holt)
Apropiado cuando se observa que la demanda tiene un nivel y una tendencia
en el componente sistemático, pero no estacionalidad.
Obtenemos el estimado inicial del nivel y de la tendencia mediante regresión
lineal entre la demanda Dt y el período t de la siguiente manera:
𝐷𝑡 = 𝑎𝑡 + 𝑏
T0 = a
L0 = b
En el período t, el pronóstico para futuros períodos está expresado de la
siguiente manera:
𝐹𝑡 + 1 = 𝐿𝑡 + 𝑇𝑡 y
𝐹𝑡 + 𝑛 = 𝐿𝑡 + 𝑛𝑇𝑡
Suavizamiento exponencial con corrección por tendencia
(Modelo de Holt)

Después de observar la demanda para el período t, revisamos los

estimados para el nivel y la tendencia de la siguiente manera:
𝐿𝑡 + 1 =
𝑎𝐷𝑡 + 1 + (1 −
𝑎)(𝐿𝑡 + 𝑇𝑡 )

𝑇𝑡 + 1 =
β(𝐿𝑡 + 1 −
𝐿𝑡) + (1 − 𝑏)𝑇𝑡

a = constante de suavizamiento para el nivel

b = constante de suavizamiento para la tendencia
 Suavizamiento exponencial con corrección por tendencia
(Modelo de Holt)
Un fabricante de aparatos electrónicos ha notado que la demanda de su reciente reproductor de MP3 se
incrementó en los últimos seis meses. La demanda observada ha sido 8415; 8732; 9014; 9808; 10413 y 11961.
Pronosticar la demanda para el período 7 empleando suavizamiento exponencial con corrección por tendencia
con a = 0,1 y b = 0,2
Solución:
Empleamos regresión lineal entre la demanda y los períodos para obtener 𝐿0 = 𝑖𝑛𝑡𝑒𝑟𝑐𝑒𝑝𝑡𝑜; 𝑦 𝑙𝑎 𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒
Estadísticas de la regresión
1 8415
Coeficiente de0.95566483
correlación múltiple
2 8732
Coeficiente de0.91329526
determinación R^2
3 9014
R^2 ajustado 0.89161908
4 9808
Error típico 433.951402
5 10413
Observaciones 6
6 11961

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
𝐷 = 7367,13 + 673,34𝑇 Regresión
Residuos
1 7934335.56 7934335.56 42.133581 0.00290484
4 753255.276 188313.819
Total 5 8687590.83
𝐿0 = 7367,13
Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95.0%Superior 95.0%
𝑇0 = 673,34 Intercepción 7367.13333 403.986769 18.2360758 5.3183E-05 6245.48624 8488.78042 6245.48624 8488.78042
Variable X 1 673.342857 103.734226 6.49103852 0.00290484 385.330473 961.355241 385.330473 961.355241
Ejemplo:
𝐹1 = 𝐿0 + 𝑇0 = 7367,13 + 673,32 = 8040,45

El estimado revisado del nivel y la tendencia para el período 1 es:

𝐿1 =
𝑎𝐷1 + 1 − 𝑎 𝐿0 + 𝑇0 = 0,1 8415 + 0,9 8040,45 = 8078

𝑇1 =
β 𝐿1 −
𝐿0 + 1 − β 𝑇0 = 0,2 8078 − 7367,13 + 1 − 0,2 673,32 = 681

Pronóstico para el siguiente período

𝐹2 = 𝐿1 + 𝑇1 = 8078 + 681 = 8759

Compruebe de esta manera para los siguientes períodos:

𝐿2 = 8755; 𝑇2 = 680

𝐿3 = 9393; 𝑇3 = 672
𝐿4 = 1039; 𝑇4 = 666 Pronóstico para el período 7:
𝐿5 = 10676; 𝑇5 = 661 𝐹7 = 𝐿6 + 𝑇6 = 11 399 + 673 6 = 12072
𝐿6 = 11 399; 𝑇6 = 673
 Suavizamiento exponencial con corrección por tendencia y
estacionalidad (modelo de Winter)

Adecuado cuando el componente sistemático de la demanda tiene un nivel, una tendencia y un

factor estacional.
S = (nível + tendencia)(factor estacional)
Necesitamos los estimados iniciales del nivel (L0), tendencia (T0) y los factores estacionales
(S1,…,Sp).
En el período t, los estimados del nivel Lt, tendencia Tt y los factores estacionales
(St,…,St+p-1). 𝐿 α(
𝐷𝑡+1
+ 𝐿 + 𝑇
𝑡+1 =
𝑆𝑡+1 1−α 𝑡 𝑡

𝑇𝑡 + 1 =
β(𝐿𝑡 + 1 −
𝐿𝑡) + (1 − 𝛽)𝑇𝑡
𝐷𝑡+1
𝑆𝑡 + 𝑝 + 1 γ + 1 − 𝛾 𝑆𝑡 + 1
= 𝐿𝑡+1
Obtenemos el pronóstico usando la ecuación:
𝐹𝑡+1 = (𝐿𝑡 + 𝑇𝑡 )𝑆𝑡+1
𝐹𝑡+𝑙 = (𝐿𝑡 + 𝑙𝑇𝑡 )𝑆𝑡+𝑙
 Suavizamiento exponencial con corrección por tendencia y
estacionalidad (modelo de Winter)
Ejemplo: consideremos los datos de la demanda dada en la Tabla para cierto
producto. Pronostiquemos la demanda para el periodo 1 valiéndonos del
modelo de suavizamiento exponencial con corrección por tendencia y
estacionalidad con 𝛼 = 0,1; 𝛽 = 0,2; 𝛾 = 0,1.

Tabla 1 Demanda Trimestral

Periodo Demanda
Año, Trim t Dt
00,2 1 8,000
00,3 2 13,000
00,4 3 23,000
01,1 4 34,000
01,2 5 10,000
01,3 6 18,000
01,4 7 23,000
02,1 8 38,000
02,2 9 12,000
02,3 10 13,000
02,4 11 32,000
03,1 12 41,000
 Suavizamiento exponencial con corrección por tendencia y
estacionalidad (modelo de Winter)
Solución.
Con los siguientes datos: L0=18439; T0=524; S1=0,47; S2=0,68; S3=1,17; S4=1,67
D1=8000; 𝛼 = 0,1; 𝛽 = 0,2; 𝛾 = 0,1
Solución:
Pronóstico para el período 1:

𝐹1 = (𝐿0 + 𝑇0 )𝑆1 =(18439+524)0,47=8 913

Error: e1=F1-D1=8913-8000=913
Estimado revisado por nivel y tendencia para el período 1 y el factor estacional para el período 5 es:
𝐷1 8000
𝐿1 = 𝛼 + 1 − 𝛼 𝐿0 + 𝑇0 = 0,1 + 1 − 0,1 18439 + 524 = 18 769
𝑆1 0,47

𝑇1 =
β 𝐿1 − 𝐿0 + 1 − 𝛽 𝑇0 = 0,2 18769 − 18439 + 0,8 524 = 485 Pronóstico para el período 2
es:
𝐷1 8000
𝑆5 = 𝛾 + 1 − 𝛾 𝑆1 = 0,1 + 0,9 0,47 = 0,47
𝐿1 18769
𝑭𝟐 = 𝑳𝟏 + 𝑻𝟏 𝑺𝟐 = 𝟏𝟖𝟕𝟔𝟗 + 𝟒𝟖𝟓 𝟎, 𝟔𝟖 = 𝟏𝟑𝟎𝟗𝟑
 Medidas de error del pronóstico
• Error del pronóstico: 𝐸𝑡 = 𝐹𝑡 − 𝐷𝑡

𝑛
1
• Error cuadrático medio: 𝑀𝑆𝐸𝑛 = 𝐸𝑡2
𝑛
𝑡=1

• Desviación absoluta en el período t: 𝐴𝑡 = 𝐸𝑡

𝑛
1
• Desviación absoluta media: 𝑀𝐴𝐷𝑛 =
𝑛
𝐴𝑡
𝑡=1

𝜎 = 1,25 𝑀𝐴𝐷

• Error Medio Porcentual Absoluto (MAPE): es el error expresado como porcentaje de

la demanda 𝐸 𝑛 𝑡
𝑡=1 𝐷𝑡
𝑀𝐴𝑃𝐸𝑛 = 100
𝑛
 Medidas de error del pronóstico

Suma de los errores del pronóstico Bias: para evaluar la tendencia (determinar si el
pronóstico subestima o sobreestima𝑛 a la demanda);
𝐵𝑖𝑎𝑠𝑛 = 𝐸𝑡
𝑡=1

El sesgo debe fluctuar alrededor del 0

Tracking signal: es el cociente entre el sesgo y la MAD

𝑏𝑖𝑎𝑠𝑡
𝑇𝑆𝑡 =
𝑀𝐴𝐷𝑡

• Debe permanecer dentro del rango de +6

• Por el contrario, debemos buscar un nuevo método para pronosticar
 Señal de rastreo SR

• Límites de control
• Son límites predeterminados
• Son valores razonables: ni muy bajos (superados fácilmente), ni muy altos (que no
detecten irregularidades)
• ±4 DAM para productos con gran volumen de existencias
• ± 8 DAM para productos con volúmenes bajos de existencias
Señal que supera
• ± 6 DAM recomendable el límite
Señal de rastreo
Límite de control
+ superior

0
Intervalo
aceptable
-
Límite de control
inferior

Tiemp
Porcentaje del área de la distribución de probabilidad normal dentro de
los límites de control de la señal de rastreo

Dispersión del Número Porcentaje del área dentro

límite de control equivalente de σ de los límites de control
±1 ±0,80 0,5762
±1,5 ±1,2 0,7698
±2 ±1,6 0,8904
±2,5 ±2,0 0,9544
±3 ±2,40 0,9836
±3,5 ±2,80 0,9948
±4 ±3,20 0,9986
El área de la curva normal incluida dentro de los límites de control:
por ejemplo, el área acumulada desde -∞ hasta 0,8 σ es 0,7881
El área entre 0 y +0,8 σ es = 0,7881- 0,500 = 0,2881
Por la simetría de la curva, el área entre -0,80 σ y 0 es también 0,2881
Por tanto el área entre ±0,80σ = 0,2881+0,2851 = 0,5762